[发明专利]改进的图像融合目标检测方法

权利要求书

1.一种改进的图像融合目标检测方法，其特征是把YOLOv5目标检测网络作为基础网络进行改进，在YOLOv5目标检测网络中加入了特征融合模块和解耦头预测模块，为网络增加了特征融合能力；采用改进后的YOLOv5目标检测网络对不同类型图像进行融合和检测；本方法的步骤包括：

1)搭建PyTorch深度学习框架，其中目标检测网络的配置利用YOLOv5算法；

2)网络结构设计

2.1)采用特征融合模块对不同类型图像进行特征融合：

特征融合模块是基于DenseFuse的特征融合模块，DenseFuse网络架构包括特征提取部分、融合层和特征重建部分：

特征提取部分包括C1层和DenseBlock层，C1层提取粗糙特征，DenseBlock层提取深度特征；

将不同类型图像分别输入特征提取部分，由特征提取部分分别提取它们的特征图；不同类型图形的特征图再由融合层融合；在融合层中，对特征图执行加法策略或者L1-范数策略；

特征重建部分使用卷积层来重构最终融合的图像，每个层的输出级联为随后的层的输入；

2.2)在YOLOv5目标检测网络中对最终融合的图像进行处理，并采用三个DecoupledHead解耦头预测模块分别对目标框的类别及预测分数、正负样本和目标框的坐标信息进行预测；最后通过Concat模块把预测结果堆叠到一起输出；

在每个Decoupled Head解耦头预测模块中，将特征平行分成两路卷积特征，同时提前进行降维处理；

3)训练网络；

4)将不同类型图像分别输入训练后的网络模型，经处理后得到目标的检测框。

2.根据权利要求1所述的改进的图像融合目标检测方法，其特征是特征融合模块有两个，分别对红外图像和可见光图像的检测目标进行特征融合。

3.根据权利要求1所述的改进的图像融合目标检测方法，其特征是特征提取部分中，C1层使用3×3卷积层提取粗糙特征；DenseBlock层使用3×3卷积层提取深度特征，每个层的输出级联为随后的层的输入；

特征重建部分使用4个3×3卷积层来重构最终融合的图像，每个层的输出级联为随后的层的输入。